Model Composition for Multimodal Large Language Models

本文是LLM系列文章，针对《Model Composition for Multimodal Large Language Models》的翻译。

摘要

多模态大型语言模型（MLLMs）的最新发展显示出快速的进展，朝着创建理解各种模态输入的通用MLLMs的目标迈进。然而，现有的方法通常依赖于与成对的多模态指令数据的联合训练，这是资源密集型的，并且很难扩展到新的模式。在本文中，我们通过现有MLLM的模型组成提出了一种新的范式，以创建一个新的模型，该模型保留了每个原始模型的模态理解能力。我们的基本实现NaiveMC通过重用模态编码器和合并LLM参数来证明了这种范式的有效性。此外，我们引入DAMC来解决合并过程中的参数干扰和失配问题，从而提高模型性能。为了促进这一领域的研究，我们提出了MCUB，这是一个评估MLLMs理解不同模态输入能力的基准。在这个基准和其他四个多模态理解任务上的实验表明，与基线相比，模型组合有了显著的改进，证明了模型组合可以创建一个能够处理多模态输入的通用模型。

1 引言

2 相关工作

3 方法

4 实验

5 讨论与分析